Dec, 2023

现实世界中轻量级的高分辨率主题抠图

PDF
TL;DR为解决现有显著性目标检测（SOD）方法在高分辨率场景中无法同时满足快速推理和准确结果的问题，本文提出了构建高分辨率显著性目标抠图数据集 HRSOM 和轻量级网络 PSUNet 的方法。在单个 640×640 像素图像上运行的推理时间仅为 113 毫秒，在模型客观评估和主观评估方面均优于行业标杆 IOS16。
saliency object detectionhigh resolution scenessaliency object matting datasetlightweight networkmobile deployment framework
发现论文，激发创造
  • 高分辨率显著目标检测的循环多尺度 Transformer

    本研究提出了一个新的高分辨率显著物体检测 (High-Resolution SOD) 方法，该方法使用 HRS10K 数据集和递归多尺度 Transformer (RMFormer) 生成高分辨率显著图。对高分辨率和低分辨率基准测试的广泛实验证明该框架的有效性和优越性。

    Aug, 2023

  • 高分辨率显著目标检测

    本文提出了一种新的方法，利用全局语义信息和本地高分辨率细节相结合的方式，完成高分辨率显著性区域检测，并进行了实验验证，证明本方法优于现有的最先进方法。

    Aug, 2019

  • MobileSal: 极高效的 RGB-D 显著物体检测

    本篇研究提出一种基于 Mobile 网络的 RGB-D 显著目标检测的方法，采用隐式深度恢复（IDR）技术和紧凑金字塔细化（CPR），并在 6 个 RGB-D SOD 数据集上表现出快速速度和更少的参数。

    Dec, 2020

  • HyperFusion-Net: 密集反射融合用于显著目标检测

    在本篇论文中，我们提出了一种基于像素分类的新型特征学习框架，并将显著目标检测作为像素分类问题来解决，该方法采用了名为 HyperFusion-Net 的密集分层特征融合网络，结合 ICNN 和超密集融合机制，它能够自动预测最重要的区域并以端到端的方式分割相关物体，实验结果表明该方法在七个公共数据集上的表现均显著优于其他现有最先进的方法。

    Apr, 2018

  • 高质量分离显著对象检测

    本文提出一种新的深度学习框架，用于高分辨率显著目标检测任务，该框架将任务分离成低分辨率显著性分类网络（LRSCN）和高分辨率细化网络（HRRN），实现低分辨率感知和高分辨率精细调整的显著目标检测，基于此框架的实验结果表明，本文所提方法在高分辨率显著性检测方面具有优越性能。

    Aug, 2021

  • 保留特异性的 RGB-D 显著性检测

    该研究提出了一种称为 SPNet 的新框架，它通过探索共享信息和特定性质（如特定性）来受益于 SOD 性能，并采用双模态特定网络和共同学习网络来生成单独的和共享的显着性预测地图，分别。此外，为了捕获丰富的互补多模态信息以提高 SOD 性能，该研究还提出了一种多模态特征聚合（MFA）模块。

    Aug, 2021

  • RRNet: 具有平行多尺度注意力的关系推理网络，用于光学遥感图像中的显着目标检测

    本文提出了一种基于关系推理网络和平行多尺度注意力的光学遥感图像突出对象检测方法，实验表明其定量和定性性能均优于现有最优方法。

    Oct, 2021

  • MODNet: 基于目标分解的实时无预分割抠图人像合成

    用一张单独的图像实现实时人像抠像的轻量级抠像分解网络（MODNet），其优化了一系列子目标同时通过显式约束、融合多尺度特征和采用自监督一致性策略来提高模型的效率和鲁棒性，且在 Adobe Matting 数据集和 PPM-100 基准测试中优于先前的自由 trimap 方法。

    Nov, 2020

  • 无损特征反射和加权结构损失的显著目标检测

    本文提出了一种新的基于特征学习框架的大规模显著性目标检测方法，其中利用对称全卷积网络和加权结构损失函数结合上下文和语义信息来提高准确性和空间一致性，最终在七个数据集上的实验证明了该方法的卓越表现。

    Jan, 2019

  • 丰富和深入监督网络用于显著性目标检测

    本文提出了一种新的显著性目标检测系统 RDS，它使用更有效的方法传递全局信息，解决传统模型中忽略背景信息的问题，并在使用目标检测数据训练模型时取得了最新的结果。

    Jan, 2019